Awaria maszyny produkcyjnej rzadko kończy się na telefonie do serwisu i wymianie jednego podzespołu. Zatrzymana linia oznacza niewykonane zamówienia, ludzi czekających na wznowienie pracy, dodatkowe koszty i nerwowe szukanie części. Tajwański przemysł tekstylny chce reagować wcześniej. Institute for Information Industry oraz firma Yotoma opracowały system, który analizuje pracę maszyn dziewiarskich i ma ostrzegać o potrzebie konserwacji, zanim urządzenie odmówi współpracy.
Projekt łączy dane z czujników, analizę stanu urządzeń, mechanizmy predykcyjnego utrzymania ruchu oraz generatywną AI działającą lokalnie w fabryce. Rozwiązanie zaprezentowano 23 września 2026 roku, a jego publiczny pokaz zaplanowano również podczas 2026 ITRI ICT TechDay, który odbędzie się 29 i 30 września w Tajpej.
Maszyna może ostrzec wcześniej, że potrzebuje serwisu
Najważniejsza część projektu dotyczy przewidywania konserwacji. System zbiera na bieżąco dane dotyczące pracy maszyn dziewiarskich i analizuje kondycję podzespołów. Jeżeli parametry zaczynają wskazywać na pogarszający się stan elementu, obsługa może otrzymać informację pozwalającą wcześniej zaplanować jego kontrolę albo wymianę.
Institute for Information Industry podaje, że mechanizm ma pomagać w przewidywaniu żywotności części. Dzięki temu fabryka nie musi wymieniać elementu wyłącznie dlatego, że minął określony czas od poprzedniego serwisu. Jednocześnie może ograniczyć ryzyko pozostawienia zużywającego się podzespołu aż do chwili awarii.
Z punktu widzenia utrzymania ruchu właśnie tutaj pojawia się największa korzyść. Planowany postój można wpisać w harmonogram. Nagłe zatrzymanie maszyny samo wybiera godzinę, a zwykle ma wyjątkowo kiepskie wyczucie terminów.
AI analizuje również pracę urządzeń pod kątem nietypowego zużycia energii. Maszyna pobierająca więcej prądu może sygnalizować pogarszający się stan mechaniczny, problemy z regulacją albo inne odchylenie wymagające kontroli. Twórcy rozwiązania wskazują więc dwa cele – ograniczenie nieplanowanych przestojów oraz mniejsze zużycie energii.
Generatywna AI pozwala zapytać maszynę, co się dzieje
Projekt ma ciekawy element, który odróżnia go od klasycznego systemu monitorowania parametrów. Pracownik nie musi przekopywać się przez wykresy i rozbudowane panele diagnostyczne. Może zadawać pytania zwykłym językiem i otrzymywać informacje dotyczące stanu sprzętu lub infrastruktury zakładu.
Warstwa generatywnej AI pełni więc głównie rolę interfejsu pomiędzy człowiekiem a informacjami zbieranymi z produkcji. Sama prognoza zużycia części wynika z analizy danych dotyczących pracy urządzenia, natomiast model językowy ma przedstawić wyniki w formie łatwiejszej do wykorzystania przez pracownika.
Według III system został przetestowany przy użyciu 58 pytań w języku chińskim oraz 16 w języku angielskim. Łącznie daje to 74 pytania, na które podczas opisanego testu udzielono prawidłowych odpowiedzi. Nie oznacza oczywiście 100-procentowej skuteczności przy dowolnym pytaniu lub każdej możliwej awarii. Wynik odnosi się wyłącznie do podanego zestawu testowego.
Takie rozróżnienie jest ważne. Hasło “AI przewiduje awarie” może sugerować niemal bezbłędną prognozę konkretnej daty uszkodzenia. W praktyce systemy utrzymania predykcyjnego analizują zmiany parametrów i wykrywają symptomy wskazujące na rosnące ryzyko problemu. Im lepsze dane historyczne i pomiary, tym więcej można z nich wyciągnąć.
Dane mają zostać wewnątrz fabryki
W zakładach przemysłowych wysyłanie informacji o produkcji do zewnętrznej usługi chmurowej może budzić spore zastrzeżenia. Dane mogą przecież zdradzać wykorzystanie maszyn, postoje, wielkość produkcji czy sposób organizacji procesu technologicznego.
III i Yotoma zastosowały więc lokalną architekturę. Generatywna AI działa wewnątrz sieci fabrycznej, a informacje dotyczące sprzętu i produkcji nie potrzebują wędrówki do zewnętrznej chmury.
Rozwiązanie przewidziano także dla przedsiębiorstw posiadających kilka zakładów. Jeden system może pozwolić na kontrolowanie maszyn znajdujących się w różnych lokalizacjach, przy jednoczesnym oddzieleniu danych pochodzących z poszczególnych fabryk.
Dla firm produkcyjnych może być ważniejsze od efektownego okienka rozmowy z AI. Model językowy potrafiący odpowiadać na pytania robi dobre pierwsze wrażenie podczas prezentacji, lecz kierownik utrzymania ruchu prawdopodobnie bardziej ucieszy się z komunikatu, że konkretny podzespół zaczyna zachowywać się podejrzanie.
Liczby pokazują, ile może kosztować zwykły przestój
Predykcyjne utrzymanie ruchu rozwijało się długo przed obecną popularnością generatywnej AI. Powód jest bardzo przyziemny – zatrzymanie produkcji kosztuje.
McKinsey podaje, że dobrze zastosowane rozwiązania predictive maintenance mogą zmniejszyć czas przestojów maszyn o 30–50 proc., a jednocześnie wydłużyć okres eksploatacji sprzętu o 20–40 proc. Dane dotyczą różnych zastosowań przemysłowych i nie są prognozą wyników tajwańskiego projektu, lecz pokazują skalę potencjalnych korzyści z wcześniejszego wykrywania problemów.
Deloitte wskazuje z kolei, że niewłaściwa strategia utrzymania sprzętu może zmniejszać zdolność produkcyjną zakładu o 5–20 proc. Firma przywołuje również szacunek mówiący o około 50 mld dolarów rocznych kosztów nieplanowanych przestojów w przemyśle.
W analizach Deloitte dotyczących predictive maintenance pojawiają się również bardziej szczegółowe wartości. Według przedstawionych danych dobrze wdrożone rozwiązania mogą zwiększyć dostępność sprzętu o około 10–20 proc., ograniczyć całkowite koszty utrzymania o 5–10 proc. oraz zmniejszyć czas przeznaczany na planowanie prac serwisowych o 20–50 proc. Rezultat zależy oczywiście od branży, jakości pomiarów i stanu samego parku maszynowego.
Doświadczenie pracownika nadal będzie potrzebne
Tajwański projekt powstał również z powodu problemu kadrowego. W przemyśle tekstylnym ocena kondycji urządzeń często opiera się na doświadczeniu osób pracujących z konkretnymi maszynami od wielu lat. III zwraca uwagę, że nadzór prowadzony głównie w taki sposób może prowadzić do pomyłek, a odejście doświadczonego pracownika oznacza utratę części wiedzy praktycznej.
System może pomóc zebrać informacje w jednym miejscu i udostępnić je mniej doświadczonej osobie w prostszej formie. Nie oznacza zastąpienia mechanika czy technika przez model językowy. Algorytm może wskazać nietypowy parametr, natomiast człowiek nadal musi ocenić sytuację, zdecydować o zatrzymaniu maszyny i wykonać właściwą pracę serwisową.
Moim zdaniem właśnie taki kierunek wykorzystania AI w przemyśle ma więcej praktycznego sensu niż dokładanie modelu językowego do każdego programu tylko dlatego, że aktualnie dobrze wygląda w materiałach marketingowych. Jeżeli system pozwoli ekipie utrzymania ruchu znaleźć problem kilka godzin lub kilka dni wcześniej, korzyść można policzyć w czasie pracy maszyny, zużytych częściach i energii.
Projekt może wyjść poza maszyny dziewiarskie
III zapowiada możliwość rozszerzenia rozwiązania na inne urządzenia używane w produkcji tekstyliów, w tym maszyny do barwienia i wykańczania materiałów. Architektura jest modułowa, dlatego podobne mechanizmy mają również potencjał zastosowania w przemyśle maszynowym, między innymi przy analizie żywotności narzędzi obrabiarek.
W planach znajduje się również ekspansja wraz z producentami wykorzystującymi sprzęt w Azji Południowo-Wschodniej. Kierunek ma gospodarcze uzasadnienie. Tajwańskie Ministerstwo Gospodarki podało niedawno, że w 2025 roku udział państw ASEAN w lokalizacji produkcji tajwańskich zamówień tekstylnych wzrósł do 41,2 proc.
Na razie nie znamy publicznych danych pokazujących, o ile tajwański system skrócił przestoje w zakładzie produkcyjnym, ilu awariom faktycznie zapobiegł ani jakie oszczędności wygenerował. III informuje o opracowanej technologii, testach interfejsu i możliwościach wdrożeniowych, dlatego na twarde wyniki eksploatacyjne trzeba jeszcze poczekać.
Opracowanie własne na podstawie: Taiwan News, Institute for Information Industry (III), McKinsey & Company, Deloitte Insights.
